常见分类性能度量指标

原创

于 2019-06-21 16:29:46 发布 · 4.4k 阅读

·

1

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文介绍了分类模型的性能度量指标，包括准确率、精确率、召回率、F1值以及ROC和AUC曲线。重点讨论了在类别不平衡场景下，ROC和PR曲线的差异与选择。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

常见分类性能度量指标

常见分类性能度量指标

再将这几个指标之前，先讲几个基础概念

真正(True Positive , TP)：被模型预测为正的正样本。
假正(False Positive , FP)：被模型预测为正的负样本。
假负(False Negative , FN)：被模型预测为负的正样本。
真负(True Negative , TN)：被模型预测为负的负样本。

准确率

$Accuracy = \frac{TP+TN}{TP+FN+FP+TN}$

精确率

又叫正确率，查准率。是计算预测为正样本

最低0.47元/天解锁文章

200万优质内容无限畅学

评论 2

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。